library(tidyverse)
library(sf)
library(kableExtra)
library(units)
library(gt)
library(patchwork)
library(purrr)
library(ggtext)
set.seed(123)
distrito <- read_sf("dados/distrito/SIRGAS_SHP_distrito.shp") %>% st_set_crs("epsg:31983")
É importante destacar que os resultados disponíveis são parciais do censo, com dados atualizados até o momento da divulgação. No entanto, mesmo parciais, esses dados podem ser extremamente úteis para suas análises.
Um ponto crucial a considerar é que o nível mínimo de observação georreferenciada nos microdados do censo são os setores censitários. Os setores censitários são unidades geográficas definidas pelo Instituto Brasileiro de Geografia e Estatística (IBGE) para coleta e tabulação de dados censitários. Eles são delimitados de forma a garantir uma cobertura completa e homogênea de todo o território nacional, facilitando a análise comparativa entre diferentes áreas geográficas. A delimitação geográfica do setor também considera questões logísticas para o entrevistador conseguir entrevistar a todos.
# Read dados do censo 2022
censo <- read_sf("dados/censo/SP_Malha_Preliminar_2022.shp") %>%
filter(CD_MUN == "3550308") %>%
st_transform("epsg:31983") %>% # Sistema de coordenadas do geosampa
select(id_setor_censitario = CD_SETOR, v0001:v0007) %>%
mutate(area_setor = st_area(geometry))
| id_setor_censitario | v0001 | v0002 | v0003 | v0004 | v0005 | v0006 | v0007 | geometry | area_setor |
|---|---|---|---|---|---|---|---|---|---|
| 355030836000023P | 523 | 200 | 200 | 0 | 2.827027 | 49.189189 | 185 | MULTIPOLYGON (((358863.3 74… | 26327.781 [m^2] |
| 355030825000026P | 547 | 200 | 200 | 0 | 2.878947 | 18.421053 | 190 | MULTIPOLYGON (((356344.7 73… | 7180.695 [m^2] |
| 355030833000279P | 799 | 252 | 252 | 0 | 3.400000 | 11.914894 | 235 | MULTIPOLYGON (((353893.9 73… | 46998.556 [m^2] |
| 355030843000013P | 499 | 206 | 206 | 0 | 2.851429 | 21.714286 | 175 | MULTIPOLYGON (((318788.2 73… | 36182.414 [m^2] |
| 355030830000764P | 654 | 238 | 238 | 0 | 3.099526 | 9.952607 | 211 | MULTIPOLYGON (((328927.3 73… | 33462.349 [m^2] |
| 355030890000334P | 280 | 138 | 138 | 0 | 2.258065 | 20.161290 | 124 | MULTIPOLYGON (((333870.3 73… | 13169.581 [m^2] |
| 355030838000607P | 188 | 102 | 102 | 0 | 1.938144 | 9.278351 | 97 | MULTIPOLYGON (((332865.9 73… | 1972.884 [m^2] |
| 355030853000064P | 511 | 302 | 302 | 0 | 2.147059 | 1.260504 | 238 | MULTIPOLYGON (((338008.3 73… | 44051.010 [m^2] |
| 355030809000067P | 264 | 140 | 138 | 2 | 2.357143 | 17.857143 | 112 | MULTIPOLYGON (((333077.1 73… | 26519.305 [m^2] |
| 355030836000443P | 793 | 300 | 300 | 0 | 3.223577 | 4.065041 | 246 | MULTIPOLYGON (((358244.3 74… | 10631.632 [m^2] |
gg <- ggplot() +
geom_sf(data = censo %>%
mutate(densidade = v0001/area_setor,
decil = ntile(densidade, 10)),
aes(fill = factor(decil)), color = NA) +
scale_fill_viridis_d() +
labs(fill = "Decil de densidade") +
theme_void()
ggsave("tex/imagens/mapa.png", gg, width = 20, height = 20, dpi = 400)